基于改进生成对抗网络的双馈式风机电机轴承故障诊断应用研究
DOI:
作者:
作者单位:

1.内蒙古科技大学机械工程学院;2.北京城建设计发展集团股份有限公司;3.中车株洲电力机车有限公司

作者简介:

通讯作者:

中图分类号:

TH133.3

基金项目:

内蒙古高校基本科研业务费项目(236),


Application research on fault diagnosis of doubly fed fan motor bearings based on improved generative adversarial networks
Author:
Affiliation:

School of Mechanical Engineering, Inner Mongolia University of Science and Technology

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对双馈风力发电机组电机滚动轴承长期处于正常情况下缺少故障样本导致数据不平衡导致故障诊断精度低下的问题,提出一种基于扩充高质量故障样本并使用双特征提取的改进生成对抗网络故障诊断方法。首先将有限个滚动轴承故障样本通过最大均值差异与含惩罚项约束下的沃瑟斯坦式生成对抗网络完成故障样本扩充;然后基于双特征提取模型的方法分别对经时频转换后的时序特征与局部特征进行提取;最后,通过分类器完成滚动轴承平衡数据的故障诊断。标准数据集以及实验结果表明,所提方法在缺少故障样本的同时故障诊断性能也有所提高。

    Abstract:

    Aiming at the problem of low fault diagnosis accuracy caused by the lack of fault samples for the rolling bearings of doubly fed wind turbines under normal conditions for a long time, an improved generative adversarial network fault diagnosis method based on expanding high-quality fault samples and using dual feature extraction is proposed. Firstly, a finite number of rolling bearing fault samples are expanded through a Wosselstein type generative adversarial network with maximum mean difference and penalty constraints; Then, based on the dual feature extraction model, the time-frequency converted temporal features and local features are extracted separately; Finally, the fault diagnosis of the rolling bearing balance data is completed through a classifier. The standard dataset and experimental results show that the proposed method improves fault diagnosis performance while lacking fault samples.

    参考文献
    相似文献
    引证文献
引用本文

胡伟钧,李道全,胡继军. 基于改进生成对抗网络的双馈式风机电机轴承故障诊断应用研究[J]. 科学技术与工程, , ():

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2024-01-15
  • 最后修改日期:2024-02-20
  • 录用日期:2024-02-22
  • 在线发布日期:
  • 出版日期:
×
亟待确认版面费归属稿件,敬请作者关注